CN109241866A - 一种基于历史作物分布图的农作物自动分类方法及装置 - Google Patents
一种基于历史作物分布图的农作物自动分类方法及装置 Download PDFInfo
- Publication number
- CN109241866A CN109241866A CN201810929924.8A CN201810929924A CN109241866A CN 109241866 A CN109241866 A CN 109241866A CN 201810929924 A CN201810929924 A CN 201810929924A CN 109241866 A CN109241866 A CN 109241866A
- Authority
- CN
- China
- Prior art keywords
- area
- classification
- remote sensing
- sensing image
- goals research
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明提供一种基于历史作物分布图的农作物自动分类方法及装置。该方法包括对遥感影像进行非监督分类,获取所述遥感影像与基准底图的交集区域。将所述交集区域中历史作物的分布区域作为目标研究区。统计目标研究区内非监督分类的各类别及对应的分布范围。构建判别函数,根据各类别对应的判别函数值,确定目标类别。根据目标类别所对应的类别索引值,遍历非监督分类结果图,提取所有与目标类别索引值相同的类别,实现遥感影像中作物的自动分类。本发明克服了传统农作物分类方法需进行的大量分析和后处理的缺陷,基于历史作物分布图,结合遥感影像的空间几何特征实现农作物的自动分类,分类过程较为简单,且分类精度较高。
Description
技术领域
本发明涉及农业遥感技术领域,更具体的,涉及一种基于历史作物分布图的农作物自动分类方法及装置。
背景技术
大宗农作物的播种面积空间分布数据的准确获取是国家、省级政府制定粮食政策,保证粮食安全的重要依据。由于播种面积是作物估产的关键步骤,因此,研究区域尺度大宗农作物的分类方法,对提取农作物面积实现农情监测具有重要的意义。随着遥感技术的发展,其为准确高效地获取作物种植空间分布提供了有效地手段。
目前,基于遥感影像进行农作物分类主要以监督分类和非监督分类两种方式为主,监督分类又称训练场地法,是以建立统计识别函数为理论依据,依据典型样本训练方法进行分类的技术;非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验类别标准的图像分类,是以集群为理论基础,通过计算机对图像进行集聚统计分析的方法,根据待分类样本特征参数的统计特征,建立决策规则来进行分类,而不需要先知道类别特征。
监督分类的优点是可充分利用分类地区的先验知识,预先确定分类的类别以及控制训练样本的选择,可通过反复检验训练样本,以提高分类精度,避免分类中的严重错误;缺点是人为主观因素较强,训练样本的选取和评估需花费较多的人力时间,只能识别训练样本中所定义的类别,从而影响分类结果。
非监督分类则是在无先验类别作为样本的条件下,根据像元间相似度大小进行计算自动判别归类,无须人为干预,分类后需确定地面类别,该分类方式的优点是无需对待分类区域有较多的了解,仅需一定的知识来解释分类出现的集群组,人为误差较少,且需输入的初始参数较少,可形成范围很小但有独特光谱特征的集群,所分的类别比监督分类的类别更均值,对独特且覆盖量小的类别也能够识别。缺点是需要对分类结果进行大量分析及后处理,存在“同物异谱和同谱异物”现象,使得类别匹配难度较大,且不同影像间的光谱集群无法保持其连续性,难以对比。
发明内容
本发明为解决传统农作物分类方法需进行的大量分析和后处理的缺陷,提供一种基于历史作物分布图的农作物自动分类方法。
第一方面,本发明提供一种基于历史作物分布图的农作物自动分类方法,包括:
S1:获取待分类区域的遥感影像,对所述遥感影像进行非监督分类;以所述待分类区域的历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域;
S2:遍历所述遥感影像与基准底图的交集区域,将所述交集区域中历史作物的分布区域作为目标研究区;
S3:遍历所述待分类遥感影像目标区域内的非监督分类结果,统计所述目标研究区内非监督分类的类别,以及各类别所占面积;
S4:根据所述目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数;根据各类别对应的判别函数值,确定目标类别,并获取所述目标类别的类别索引值。
S5:根据所述类别索引值,遍历遥感影像的非监督分类结果图,提取其中与目标类别的类别索引值相同的类别。
优选的,所述步骤S1中,以所述待分类区域的历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域具体包括:
以所述待分类区域的历史作物分布图为基准底图,获取遥感影像与历史作物空间分布图的重叠部分,作为遥感影像与基准底图的交集区域;
其中,遥感影像与基准底图的交集区域R=RH∩RC;
式中,R为交集区域,RH为历史分布图的覆盖范围,RC为遥感影像的覆盖范围。
优选的,所述步骤S2中,将所述交集区域中历史作物的分布区域作为目标研究区具体包括:
确定所述遥感影像和基准底图的交集区域中历史作物的分布,将所述交集区域中大范围的单一作物轮作区作为目标研究区。
优选的,所述步骤S4中,根据所述目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数具体包括:
以目标研究区内各类别分布面积与目标研究区总面积的比值作为参数,构建判别函数;
其中,所述判别函数为:
式中,P(xi)为判别函数值;xi为目标研究区内,非监督分类各类别与目标研究区的面积比例,xi=Ni/N,i表示目标研究区中非监督分类的各类别索引值(i∈[1,100]),Ni为各类别的分布范围,N为目标研究区分布范围;为xi平均值,S为方差,n为目标研究区内非监督分类的类别数。
优选的,所述步骤S4中,根据各类别对应的判别函数值,确定目标类别,并获取所述目标类别的类别索引值具体包括:
若判断获知某一类别对应的判别函数值不小于预设判定阈值,则判定该类别为目标类别,并获取所述目标类别的类别索引值。
第二方面,本发明提供一种基于历史作物分布图的农作物自动分类装置,包括:
获取模块,用于获取待分类区域的遥感影像,对所述遥感影像进行非监督分类;以所述待分类区域的历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域;
目标研究区确定模块,用于遍历所述遥感影像与基准底图的交集区域,将所述交集区域中历史作物的分布区域作为目标研究区;
统计模块,用于遍历所述待分类遥感影像目标区域内的非监督分类结果,统计所述目标研究区内非监督分类的类别,以及各类别所占面积;
构建模块,用于根据所述目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数;根据各类别对应的判别函数值,确定目标类别,并获取所述目标类别的类别索引值;
分类模块,用于根据所述类别索引值,遍历遥感影像的非监督分类结果图,提取其中与目标类别的类别索引值相同的类别。
优选的,所述获取模块具体用于:
以所述待分类区域的历史作物分布图为基准底图,获取遥感影像与历史作物空间分布图的重叠部分,作为遥感影像与基准底图的交集区域;
其中,遥感影像与基准底图的交集区域R=RH∩RC;
式中,R为交集区域,RH为历史分布图的覆盖范围,RC为遥感影像的覆盖范围。
优选的,所述构建模块具体用于:
以目标研究区内各类别分布面积与目标研究区总面积的比值作为参数,构建判别函数;
其中,所述判别函数为:
式中,P(xi)为判别函数值;xi为目标研究区内,非监督分类各类别与目标研究区的面积比例,xi=Ni/N,i表示目标研究区中非监督分类的各类别索引值(i∈[1,100]),Ni为各类别的分布范围,N为目标研究区分布范围;为xi平均值,S为方差,n为目标研究区内非监督分类的类别数。
第三方面,本发明提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于历史作物分布图的农作物自动分类方法。
第四方面,本发明提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于历史作物分布图的农作物自动分类方法。
本发明提供的基于历史作物分布图的农作物自动分类方法及装置,对遥感影像进行非监督分类,以待分类区域历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域。遍历所述遥感影像与基准底图的交集区域,将所述交集区域中历史作物的分布区域作为目标研究区。遍历目标研究区中的非监督分类结果,统计目标研究区内非监督分类的各类别及对应的分布范围。构建判别函数,根据各类别对应的判别函数值,确定目标类别。根据目标类别所对应的类别索引值,重新遍历非监督分类结果图,提取所有与目标类别索引值相同的类别,从而实现遥感影像中作物的自动分类。本发明克服了传统农作物分类方法步骤复杂,需进行的大量分析和后处理的缺陷,基于历史作物分布图,结合遥感影像的空间几何特征实现农作物的自动分类,分类过程较为简单,且分类精度较高。
附图说明
图1为根据本发明实施例提供的基于历史作物分布图的农作物自动分类方法的流程示意图;
图2为根据本发明实施例提供的2015-2016年河北省廊坊地区的遥感影像图;
图3为根据本发明实施例提供的2014-2015年河北省廊坊地区冬小麦空间分布图;
图4为根据本发明实施例提供的遥感影像非监督分类结果图;
图5为根据本发明实施例提供的遥感影像冬小麦自动分类结果图;
图6为根据本发明实施例提供的基于历史作物分布图的农作物自动分类装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一模块实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为根据本发明实施例提供的基于历史作物分布图的农作物自动分类方法的流程示意图,参照图1,该方法包括:
步骤S1,获取待分类区域的遥感影像,对所述遥感影像进行非监督分类;以所述待分类区域的历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域。
具体地,以河北省廊坊市及周边地区冬小麦自动分类为例进一步阐述本发明的技术方案。图2为根据本发明实施例提供的2015-2016年河北省廊坊地区的遥感影像图,待分类区域为廊坊市及周边地区,该区域地理坐标为东经116°38′07″至44′06″,北纬39°28′42″至32′54″,平均海拔高度在13米左右。
河北省廊坊地区内的冬小麦一般在每年秋季10月10日前后陆续开始播种,下一年6月20日前完成收获,生育期近8个月。按照生长季内冬小麦发育特点,选取试验区2015年10月12日至2016年5月16日内覆盖冬小麦所有生长期的8景高分一号卫星影像作为待分类区域的遥感影像。
图3为根据本发明实施例提供的2014-2015年河北省廊坊地区冬小麦空间分布图,本实施例中,河北省廊坊地区2014-2015年的冬小麦分布图即为待分类区域的历史作物分布图。选取河北省廊坊地区2014-2015年的冬小麦分布图作为基准底图。
对待分类区域的遥感影像预处理且多时相叠加合成后,利用非监督分类方式对其进行分类,优选的,本实施例中非监督分类的类别数目设置为100类。
步骤S2,遍历所述遥感影像与基准底图的交集区域,将所述交集区域中历史作物的分布区域作为目标研究区。
遥感影像与基准底图的交集区域中存在单一作物轮作区,即相同区域范围在某一固定年度或季节所种植作物类型相同。将交集区域中大范围的单一作物轮作区作为目标研究区。优选的,将单一大宗作物轮作区作为目标研究区。并将目标研究区的地物类别分为目标类别和其他类别两大类。
步骤S3,遍历所述待分类遥感影像目标区域内的非监督分类结果,统计所述目标研究区内非监督分类的类别,以及各类别所占面积。
具体地,遍历待分类遥感影像目标区域内的非监督分类结果,统计目标研究区内待分类遥感影像非监督分类后的类别,各类别的类别索引值为i,i∈[1,100];并统计各类别的分布面积Ni。图4为根据本发明实施例提供的遥感影像非监督分类结果图。经过统计共有99个类别与目标研究区存在相交和包含关系。
S4:根据所述目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数;根据各类别对应的判别函数值,确定目标类别,并获取所述目标类别的类别索引值。
具体地,以目标研究区内各类别分布面积与目标研究区总面积的比值作为参数,构建判别函数;
其中,所述判别函数为:
式中,P(xi)为判别函数值;xi为目标研究区内,非监督分类各类别与目标研究区的面积比例,xi=Ni/N,i表示目标研究区中非监督分类的各类别索引值(i∈[1,100]),Ni为各类别的分布范围,N为目标研究区分布范围;为xi平均值,S为方差,n为目标研究区内非监督分类的类别数。
本实施例中,预设判断阈值为0,将各类别得到的分类特征参数分别与0比较:
式中,P(xi)大于等于0,则认为目标研究区非监督分类中索引值为i的类别为目标冬小麦的组成类别;若P(xi)的值小于0,则认为该类别为其他类别。
通过上式,可得到冬小麦的组成类别Cm,其中Cm为Ci的组成部分,即Cm∈Ci,且m∈[1,100],经过判定,有5个类别的像素个数比例满足要求。
S5:根据所述类别索引值,遍历遥感影像的非监督分类结果图,提取其中与目标类别的类别索引值相同的类别。
具体地,遍历目标研究区非监督分类结果,提取目标类别的类别索引值相同的所有类别,即可得到待分类遥感影像中冬小麦的空间分布。
图5为根据本发明实施例提供的遥感影像冬小麦自动分类结果图,该自动分类结果图的识别精度达到了95.33%,Kappa系数为0.90。从图中可以看出该地区冬小麦分布广泛且均匀,与实际种植情况相吻合。
本发明实施例提供的基于历史作物分布图的农作物自动分类方法,对遥感影像进行非监督分类,以待分类区域历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域。遍历所述遥感影像与基准底图的交集区域,将所述交集区域中历史作物的分布区域作为目标研究区。遍历目标研究区中的非监督分类结果,统计目标研究区内非监督分类的各类别及对应的分布范围。构建判别函数,根据各类别对应的判别函数值,确定目标类别。根据目标类别所对应的类别索引值,重新遍历非监督分类结果图,提取所有与目标类别索引值相同的类别,从而实现遥感影像中作物的自动分类。
本发明实施例克服了传统农作物分类方法步骤复杂,需进行的大量分析和后处理的缺陷,基于历史作物分布图,结合遥感影像的空间几何特征实现农作物的自动分类,分类过程较为简单,且分类精度较高。
在上述实施例的基础上,所述步骤S1中,以所述待分类区域的历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域具体包括:
以所述待分类区域的历史作物分布图为基准底图,获取遥感影像与历史作物空间分布图的重叠部分,作为遥感影像与基准底图的交集区域。
其中,遥感影像与基准底图的交集区域R=RH∩RC;
式中,R为交集区域,RH为历史分布图的覆盖范围,RC为遥感影像的覆盖范围。
在上述各实施例的基础上,所述步骤S2中,将所述交集区域中历史作物的分布区域作为目标研究区具体包括:
确定所述遥感影像和基准底图的交集区域中历史作物的分布,将所述交集区域中大范围的单一作物轮作区作为目标研究区。
遥感影像与基准底图的交集区域中存在单一作物轮作区,将交集区域中大范围的单一作物轮作区作为目标研究区。优选的,将单一大宗作物轮作区作为目标研究区。
在上述各实施例的基础上,步骤S4中,根据各类别对应的判别函数值,确定目标类别,并获取所述目标类别的类别索引值具体包括:
若判断获知某一类别对应的判别函数值不小于预设判定阈值,则判定该类别为目标类别,并获取所述目标类别的类别索引值。
本实施例中,预先设置判断阈值为0,将各类别得到的分类特征参数分别与0比较:
式中,P(xi)大于等于0,则认为目标研究区非监督分类中索引值为i的类别为目标冬小麦的组成类别;若P(xi)的值小于0,则认为该类别为其他类别。
图6为根据本发明实施例提供的基于历史作物分布图的农作物自动分类装置的结构框图,如图6所示,该装置包括获取模块601、目标研究区确定模块602、统计模块603、构建模块604和分类模块605,其中:
获取模块601用于获取待分类区域的遥感影像,对所述遥感影像进行非监督分类;以所述待分类区域的历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域。目标研究区确定模块602用于遍历所述遥感影像与基准底图的交集区域,将所述交集区域中历史作物的分布区域作为目标研究区。统计模块603用于遍历所述待分类遥感影像目标区域内的非监督分类结果,统计所述目标研究区内非监督分类的类别,以及各类别所占面积。构建模块604用于根据所述目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数;根据各类别对应的判别函数值,确定目标类别,并获取所述目标类别的类别索引值。分类模块605用于根据所述类别索引值,遍历遥感影像的非监督分类结果图,提取其中与目标类别的类别索引值相同的类别。
具体地,以河北省廊坊市及周边地区冬小麦自动分类为例进一步阐述本发明的技术方案。图2为根据本发明实施例提供的2015-2016年河北省廊坊地区的遥感影像图,待分类区域为廊坊市及周边地区,该区域地理坐标为东经116°38′07″至44′06″,北纬39°28′42″至32′54″,平均海拔高度在13米左右。
河北省廊坊地区内的冬小麦一般在每年秋季10月10日前后陆续开始播种,下一年6月20日前完成收获,生育期近8个月。按照生长季内冬小麦发育特点,选取试验区2015年10月12日至2016年5月16日内覆盖冬小麦所有生长期的8景高分一号卫星影像作为待分类区域的遥感影像。
图3为根据本发明实施例提供的2014-2015年河北省廊坊地区冬小麦空间分布图,本实施例中,河北省廊坊地区2014-2015年的冬小麦分布图即为待分类区域的历史作物分布图。选取河北省廊坊地区2014-2015年的冬小麦分布图作为基准底图。
对待分类区域的遥感影像预处理且多时相叠加合成后,利用非监督分类方式对其进行分类,优选的,本实施例中非监督分类的类别数目设置为100类。
遥感影像与基准底图的交集区域中存在单一作物轮作区,即相同区域范围在某一固定年度或季节所种植作物类型相同。目标研究区确定模块602遍历遥感影像与基准底图的交集区域,将交集区域中大范围的单一作物轮作区作为目标研究区。优选的,将单一大宗作物轮作区作为目标研究区。并将目标研究区的地物类别分为目标类别和其他类别两大类。
进一步地,统计模块603遍历待分类遥感影像目标区域内的非监督分类结果,并统计目标研究区内待分类遥感影像非监督分类后的类别,各类别的类别索引值为i,i∈[1,100];并统计各类别的分布面积Ni。
图4为根据本发明实施例提供的遥感影像非监督分类结果图。经过统计共有99个类别与目标研究区存在相交和包含关系。
进一步地,构建模块604具体用于,以目标研究区内各类别分布面积与目标研究区总面积的比值作为参数,构建判别函数;
其中,所述判别函数为:
式中,P(xi)为判别函数值;xi为目标研究区内,非监督分类各类别与目标研究区的面积比例,xi=Ni/N,i表示目标研究区中非监督分类的各类别索引值(i∈[1,100]),Ni为各类别的分布范围,N为目标研究区分布范围;为xi平均值,S为方差,n为目标研究区内非监督分类的类别数。
本实施例中,预设判断阈值为0,将各类别得到的分类特征参数分别与0比较:
式中,P(xi)大于等于0,则认为目标研究区非监督分类中索引值为i的类别为目标冬小麦的组成类别;若P(xi)的值小于0,则认为该类别为其他类别。
通过上式,可得到冬小麦的组成类别Cm,其中Cm为Ci的组成部分,即Cm∈Ci,且m∈[1,100],经过判定,有5个类别的像素个数比例满足要求。
最后,分类模块605遍历目标研究区非监督分类结果,提取目标类别的类别索引值相同的所有类别,即可得到待分类遥感影像中冬小麦的空间分布。
图5为根据本发明实施例提供的遥感影像冬小麦自动分类结果图,该自动分类结果图的识别精度达到了95.33%,Kappa系数为0.90。从图中可以看出该地区冬小麦分布广泛且均匀,与实际种植情况相吻合。
本发明实施例提供的基于历史作物分布图的农作物自动分类装置,对遥感影像进行非监督分类,以待分类区域历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域。遍历所述遥感影像与基准底图的交集区域,将所述交集区域中历史作物的分布区域作为目标研究区。遍历目标研究区中的非监督分类结果,统计目标研究区内非监督分类的各类别及对应的分布范围。构建判别函数,根据各类别对应的判别函数值,确定目标类别。根据目标类别所对应的类别索引值,重新遍历非监督分类结果图,提取所有与目标类别索引值相同的类别,从而实现遥感影像中作物的自动分类。
在上述实施例的基础上,所述获取模块601具体用于:
以待分类区域的历史作物分布图为基准底图,获取遥感影像与历史作物空间分布图的重叠部分,作为遥感影像与基准底图的交集区域;
其中,遥感影像与基准底图的交集区域R=RH∩RC;
式中,R为交集区域,RH为历史分布图的覆盖范围,RC为遥感影像的覆盖范围。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行本发明实施例所提供的基于历史作物分布图的农作物自动分类方法,例如包括:获取待分类区域的遥感影像,对遥感影像进行非监督分类;以待分类区域的历史作物分布图为基准底图,获取遥感影像与基准底图的交集区域。遍历遥感影像与基准底图的交集区域,获取交集区域中历史作物的分布区域,作为目标研究区。遍历待分类遥感影像目标区域内的非监督分类结果,统计目标研究区内非监督分类的类别,以及各类别所占面积。根据目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数;根据各类别对应的判别函数值,确定目标类别,并获取目标类别的类别索引值。根据类别索引值,遍历遥感影像的非监督分类结果图,提取其中与目标类别的类别索引值相同的类别。
本发明实施例提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机本发明实施例所提供的基于历史作物分布图的农作物自动分类方法,例如包括:获取待分类区域的遥感影像,对遥感影像进行非监督分类;以待分类区域的历史作物分布图为基准底图,获取遥感影像与基准底图的交集区域。遍历遥感影像与基准底图的交集区域,获取交集区域中历史作物的分布区域,作为目标研究区。遍历待分类遥感影像目标区域内的非监督分类结果,统计目标研究区内非监督分类的类别,以及各类别所占面积。根据目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数;根据各类别对应的判别函数值,确定目标类别,并获取目标类别的类别索引值。根据类别索引值,遍历遥感影像的非监督分类结果图,提取其中与目标类别的类别索引值相同的类别。
最后应说明的是:以上实施例仅用以说明根据本发明实施例提供的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员而言,可以理解在不脱离根据本发明实施例提供的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,凡在根据本发明实施例提供的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在根据本发明实施例提供的保护范围之内。
Claims (10)
1.一种基于历史作物分布图的农作物自动分类方法,其特征在于,包括:
S1:获取待分类区域的遥感影像,对所述遥感影像进行非监督分类;以所述待分类区域的历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域;
S2:遍历所述遥感影像与基准底图的交集区域,将所述交集区域中历史作物的分布区域作为目标研究区;
S3:遍历所述待分类遥感影像目标区域内的非监督分类结果,统计所述目标研究区内非监督分类的类别,以及各类别所占面积;
S4:根据所述目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数;根据各类别对应的判别函数值,确定目标类别,并获取所述目标类别的类别索引值;
S5:根据所述类别索引值,遍历遥感影像的非监督分类结果图,提取其中与目标类别的类别索引值相同的类别。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1中,以所述待分类区域的历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域具体包括:
以所述待分类区域的历史作物分布图为基准底图,获取遥感影像与历史作物空间分布图的重叠部分,作为遥感影像与基准底图的交集区域;
其中,遥感影像与基准底图的交集区域R=RH∩RC;
式中,R为交集区域,RH为历史分布图的覆盖范围,RC为遥感影像的覆盖范围。
3.根据权利要求1所述的方法,其特征在于,所述步骤S2中,将所述交集区域中历史作物的分布区域作为目标研究区具体包括:
确定所述遥感影像和基准底图的交集区域中历史作物的分布,将所述交集区域中大范围的单一作物轮作区作为目标研究区。
4.根据权利要求1所述的方法,其特征在于,所述步骤S4中,根据所述目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数具体包括:
以目标研究区内各类别分布面积与目标研究区总面积的比值作为参数,构建判别函数;
其中,所述判别函数为:
式中,P(xi)为判别函数值;xi为目标研究区内,非监督分类各类别与目标研究区的面积比例,xi=Ni/N,i表示目标研究区中非监督分类的各类别索引值(i∈[1,100]),Ni为各类别的分布范围,N为目标研究区分布范围;为xi平均值,S为方差,n为目标研究区内非监督分类的类别数。
5.根据权利要求4所述的方法,其特征在于,所述步骤S4中,根据各类别对应的判别函数值,确定目标类别,并获取所述目标类别的类别索引值具体包括:
若判断获知某一类别对应的判别函数值不小于预设判定阈值,则判定该类别为目标类别,并获取所述目标类别的类别索引值。
6.一种基于历史作物分布图的农作物自动分类装置,其特征在于,包括:
获取模块,用于获取待分类区域的遥感影像,对所述遥感影像进行非监督分类,以所述待分类区域的历史作物分布图为基准底图,获取所述遥感影像与基准底图的交集区域;
目标研究区确定模块,用于遍历所述遥感影像与基准底图的交集区域,将所述交集区域中历史作物的分布区域作为目标研究区;
统计模块,用于遍历所述待分类遥感影像目标区域内的非监督分类结果,统计所述目标研究区内非监督分类的类别,以及各类别所占面积;
构建模块,用于根据所述目标研究区内,各类别所占面积与目标研究区总面积的关系,构建判别函数;根据各类别对应的判别函数值,确定目标类别,并获取所述目标类别的类别索引值;
分类模块,用于根据所述类别索引值,遍历遥感影像的非监督分类结果图,提取其中与目标类别的类别索引值相同的类别。
7.根据权利要求6所述的装置,其特征在于,所述获取模块具体用于:
以所述待分类区域的历史作物分布图为基准底图,获取遥感影像与历史作物空间分布图的重叠部分,作为遥感影像与基准底图的交集区域;
其中,遥感影像与基准底图的交集区域R=RH∩RC;
式中,R为交集区域,RH为历史分布图的覆盖范围,RC为遥感影像的覆盖范围。
8.根据权利要求6所述的装置,其特征在于,所述构建模块具体用于:
以目标研究区内各类别分布面积与目标研究区总面积的比值作为参数,构建判别函数;
其中,所述判别函数为:
式中,P(xi)为判别函数值;xi为目标研究区内,非监督分类各类别与目标研究区的面积比例,xi=Ni/N,i表示目标研究区中非监督分类的各类别索引值(i∈[1,100]),Ni为各类别的分布范围,N为目标研究区分布范围;为xi平均值,S为方差,n为目标研究区内非监督分类的类别数。
9.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至5任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810929924.8A CN109241866B (zh) | 2018-08-15 | 2018-08-15 | 一种基于历史作物分布图的农作物自动分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810929924.8A CN109241866B (zh) | 2018-08-15 | 2018-08-15 | 一种基于历史作物分布图的农作物自动分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241866A true CN109241866A (zh) | 2019-01-18 |
CN109241866B CN109241866B (zh) | 2020-10-27 |
Family
ID=65071336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810929924.8A Active CN109241866B (zh) | 2018-08-15 | 2018-08-15 | 一种基于历史作物分布图的农作物自动分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241866B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948556A (zh) * | 2019-03-21 | 2019-06-28 | 中国农业科学院农业资源与农业区划研究所 | 作物分类识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521624A (zh) * | 2011-12-20 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种土地利用类型分类的方法和系统 |
JP2014089613A (ja) * | 2012-10-31 | 2014-05-15 | Kodaira Associates Kk | 画像クラスタ分析装置 |
US9489576B2 (en) * | 2014-03-26 | 2016-11-08 | F12 Solutions, LLC. | Crop stand analysis |
US9866768B1 (en) * | 2013-04-29 | 2018-01-09 | The United States Of America, As Represented By The Secretary Of Agriculture | Computer vision qualified infrared temperature sensor |
-
2018
- 2018-08-15 CN CN201810929924.8A patent/CN109241866B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521624A (zh) * | 2011-12-20 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种土地利用类型分类的方法和系统 |
JP2014089613A (ja) * | 2012-10-31 | 2014-05-15 | Kodaira Associates Kk | 画像クラスタ分析装置 |
US9866768B1 (en) * | 2013-04-29 | 2018-01-09 | The United States Of America, As Represented By The Secretary Of Agriculture | Computer vision qualified infrared temperature sensor |
US9489576B2 (en) * | 2014-03-26 | 2016-11-08 | F12 Solutions, LLC. | Crop stand analysis |
Non-Patent Citations (2)
Title |
---|
PENGYU HAO等: "Using historical NDVI time series to classify crops at 30m spatial resolution: A case in Southeast Kansas", 《2016 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS)》 * |
张荣群等: "基于时序植被指数的县域作物遥感分类方法研究", 《农业机械学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948556A (zh) * | 2019-03-21 | 2019-06-28 | 中国农业科学院农业资源与农业区划研究所 | 作物分类识别方法及系统 |
CN109948556B (zh) * | 2019-03-21 | 2020-10-27 | 中国农业科学院农业资源与农业区划研究所 | 作物分类识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109241866B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Turkoglu et al. | Crop mapping from image time series: Deep learning with multi-scale label hierarchies | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
CN111709379A (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
CN107103378B (zh) | 一种玉米种植环境测试站点布局方法及系统 | |
CN113468964B (zh) | 一种基于高光谱的农业病虫害监测方法及设备 | |
CN108140118A (zh) | 用于识别至少一株种植在耕地上的植物的方法和信息系统 | |
CN108195767A (zh) | 河口湿地外来种监测方法 | |
CN104199027A (zh) | 基于紧致极化雷达大面积近实时监测水稻物候期的方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN109145885A (zh) | 一种大尺度农作物遥感分类方法及系统 | |
CN111814563A (zh) | 一种种植结构的分类方法及装置 | |
CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
Sun et al. | Mapping tropical dry forest age using airborne waveform LiDAR and hyperspectral metrics | |
Xia et al. | Phenology-based decision tree classification of rice-crayfish fields from Sentinel-2 imagery in Qianjiang, China | |
CN105930863A (zh) | 一种卫星相机谱段设置的确定方法 | |
CN107330801A (zh) | 一种冬小麦种植比例的计算方法及装置 | |
CN110245589A (zh) | 一种基于高分遥感影像的西北地区地膜信息综合分析方法 | |
CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN108663334A (zh) | 基于多分类器融合寻找土壤养分光谱特征波长的方法 | |
CN116778343B (zh) | 一种用于综合识别的目标图像特征提取方法 | |
CN109241866A (zh) | 一种基于历史作物分布图的农作物自动分类方法及装置 | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
CN105184234B (zh) | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |